Resumen de fórmulas
1.2 Estadísticos muestrales: media, varianza, pro- [Link] IC para σ 2 (Normal)
porción
" #
1.2.1 Media muestral 2 (n − 1)S 2 (n − 1)S 2
σ ∈ ,
χ21−α/2,n−1 χ2α/2,n−1
n
1X
X̄ = xi [Link] IC para π (aprox. Normal)
n i=1
σ2
E(X̄) = µ, Var(X̄) = " r r #
n π̂(1 − π̂) π̂(1 − π̂)
π ∈ π̂ − z1−α/2 , π̂ + z1−α/2
n n
2
Si la población es Normal: X̄ ∼ N µ, σn .
Si σ 2 conocida (Normal o n grande):
X̄ − µ Valores críticos de Z de mayor uso
Z= √ ∼ N (0, 1)
σ/ n
Si σ 2 desconocida (población Normal): Zc /α 1% 5% 10 %
X̄ − µ Zα +2,33 +1,645 +1,28
T = √ ∼ tn−1 Prueba de una cola
S/ n −Zα −2,33 −1,645 −1,28
+Zα/2 +2,58 +1,96 +1,645
Prueba de dos colas −Zα/2 −2,58 −1,96 −1,645
1.2.2 Varianza muestral
n 1.4 Propiedades de estimadores
1 X
S2 = (xi − X̄)2
n − 1 i=1 Biaix (sesgo)
Si la población es Normal:
B(θ̂) = E(θ̂) − θ
(n − 1)S 2
∼ χ2n−1 θ̂ es inesbiaixat ⇐⇒ B(θ̂) = 0
σ2
y además: Eficiencia vía ECM (EQM)
2σ 4
E(S 2 ) = σ 2 , Var(S 2 ) = ECM(θ̂) = E (θ̂ − θ)2 = Var(θ̂) + B(θ̂)2
n−1
1.2.3 Proporción muestral 1.5 Métodos de estimación puntual
1.5.1 Máxima verosimilitud (MV)
n
1X Si x1 , . . . , xn i.i.d. con densidad/pmf f (x; θ):
π̂ = xi , xi ∈ {0, 1}
n i=1
n
Y n
X
π(1 − π) L(θ) = f (xi ; θ), ℓ(θ) = log f (xi ; θ)
E(π̂) = π, Var(π̂) =
n i=1 i=1
Aproximación Normal (muestra grande):
θ̂MV = arg máx L(θ) ≡ arg máx ℓ(θ)
θ θ
π(1 − π)
π̂ ≈ N π,
n 1.5.2 Método de los momentos (MM)
Igualar momentos teóricos con momentos muestrales:
1.3 Estimación puntual e intervalos de confianza n
1X k
mk = x , mk = µk (θ), k = 1, 2, . . .
[Link] IC para µ n i=1 i
σ 2 conocida (Normal o n grande):
Resolver el sistema para obtener θ̂MM .
σ σ
µ ∈ X̄ − z1−α/2 √ , X̄ + z1−α/2 √
n n
σ 2 desconocida (población Normal):
S S
µ ∈ X̄ − t1−α/2,n−1 √ , X̄ + t1−α/2,n−1 √
n n
1
Contrastes de hipótesis
2.1 Planteamiento de un contraste Condición:
Hipótesis: nπ0 (1 − π0 ) > 5
H0 : θ = θ0 , H1 : θ ̸= θ0 (o <, >)
2.4 Comparación de dos muestras
Nivel de significación:
2.4.1 Diferencia de medias
α = P(rechazar H0 | H0 cierta) Varianzas conocidas:
Errores: (X̄1 − X̄2 ) − δ0
Z= q 2 ∼ N (0, 1)
σ1 σ22
Error tipo I: rechazar H0 siendo cierta (α). n1 + n2
Error tipo II: no rechazar H0 siendo falsa.
Varianzas desconocidas e iguales:
(n1 − 1)S12 + (n2 − 1)S22
2.2 Estadístico de contraste Sp2 =
n1 + n2 − 2
Estadístico general:
(X̄1 − X̄2 ) − δ0
T = T (X1 , . . . , Xn ) T = q ∼ tn1 +n2 −2
Sp n11 + n12
Región crítica:
2.4.2 Comparación de varianzas
RC = {T ∈ A} tal que PH0 (T ∈ A) = α
S12
F = ∼ Fn1 −1,n2 −1
S22
2.3 Contrastes sobre una población
2.3.1 Contraste sobre la media µ 2.4.3 Contraste diferencia de proporciones
Varianza conocida (Normal o n grande): Hipótesis nula:
X̄ − µ0 H0 : π 1 − π 2 = δ 0
Z= √ ∼ N (0, 1)
σ/ n
Hipótesis alternativa (según el caso):
Varianza desconocida (Normal): H1 : π1 −π2 ̸= δ0 o H1 : π1 −π2 > δ0 o H1 : π1 −π2 < δ0
X̄ − µ0 Estadístico de contraste (EC):
T = √ ∼ tn−1
S/ n
(π̂1 − π̂2 ) − δ0
Regla: EC = q ∼ N (0, 1)
π̂(1−π̂) π̂(1−π̂)
n1 + n2
|Z| > z1−α/2 o |T | > t1−α/2,n−1 ⇒ rechazar H0
donde la proporción muestral común es:
n1 π̂1 + n2 π̂2
π̂ =
2.3.2 Contraste sobre la varianza σ 2 n1 + n2
(Población Normal)
(n − 1)S 2 2.5 ANOVA (1 factor)
χ2 = ∼ χ2n−1
σ02 Estadístico:
SCentre /(k − 1)
Región crítica bilateral: F = ∼ Fk−1,n−k
SCdentro /(n − k)
χ2 < χ2α/2,n−1 o χ2 > χ21−α/2,n−1
Var. Suma gl S.M. F
k
X V EM
V EM nj (X̄j − X̄)2 k−1 2
= SE 2
SE
k−1 F∗ = 2
2.3.3 Contraste sobre la proporción π j=1 SD
k nj
X X V DM
(Aproximación Normal) V DM (xij − X̄j )2 N −k 2
= SD
N −k
j=1 i=1
π̂ − π0 k nj
Z=q ∼ N (0, 1)
XX
π0 (1−π0 ) VT (xij − X̄)2 N −1
n j=1 i=1
2
Criterio:
F > F1−α,k−1,n−k ⇒ rechazar H0
2.6 Valor-p
Definición:
p-valor = PH0 (|T | ≥ |tobs |)
Regla de decisión:
p-valor < α ⇒ rechazar H0
2.7 Error de tipo II y potencia
Error de tipo II (β):
Probabilidad de no rechazar H0 cuando es falsa:
β = P(no rechazar H0 | H1 cierta)
Depende de:
el verdadero valor del parámetro,
el tamaño muestral n,
la varianza,
el nivel α.
Potencia del contraste:
Potencia = 1 − β = P(rechazar H0 | H1 cierta)
Potencia en el contraste sobre la media
Para H0 : µ = µ0 frente a H1 : µ = µ1 :
X̄ − µ0
β = P zα/2 < √ < z1−α/2 µ = µ1
σ/ n
Potencia = 1 − β
3
Bondad de ajuste y relación entre variables
3.1 Contraste de bondad de ajuste Propiedades:
Compara una distribución teórica con los datos observados. −1 ≤ r ≤ 1
Hipótesis: r = 1: correlación lineal positiva perfecta
r = −1: correlación lineal negativa perfecta
H0 : la distribución es F0 H1 : no es F0 r = 0: ausencia de correlación lineal
3.1.1 Bondad de ajuste χ2 (variables discretas) Contraste sobre la correlación
Estadístico: Hipótesis:
k
X (Oi − Ei )2 H0 : ρ = 0
χ2 = ∼ χ2k−1−m Estadístico:
Ei √
i=1 r n−2
T = √ ∼ tn−2
donde: 1 − r2
Oi : frecuencia observada Criterio:
Ei = npi : frecuencia esperada |T | > t1−α/2,n−2 ⇒ rechazar H0
m: parámetros estimados
Criterio:
χ2 > χ21−α,k−1−m ⇒ rechazar H0
3.1.2 Contraste de Kolmogorov–Smirnov (variables
continuas)
Estadístico:
Dn = sup |Fn (x) − F0 (x)|
x
donde Fn es la función de distribución empírica.
Criterio:
Dn > dα,n ⇒ rechazar H0
(Usado frecuentemente como contraste de normalidad).
3.2 Relación entre variables
3.2.1 Contraste de independencia (χ2 )
Variables cualitativas.
Estadístico:
r c
X X (Oij − Eij )2
χ2 = ∼ χ2(r−1)(c−1)
Eij
i=1 j=1
con:
ni· n·j
Eij =
n
Criterio:
χ2 > χ21−α,(r−1)(c−1) ⇒ rechazar H0
3.2.2 Correlación lineal
Coeficiente de correlación de Pearson:
Pn
x̃ ỹ
i=1 i i
r=
n S X SY
donde:
x̃i = xi − X̄, ỹi = yi − Ȳ
v v
u n u n
u1 X u1 X
SX = t x̃i2 , SY = t ỹi2
n n
i=1 i=1
4
Modelo de regresión lineal
4.1 Modelo de regresión lineal simple Estadísticos de contraste:
Modelo: β̂1 − β1 β̂2 − β2
Y = β1 + β2 X + u ∼ tn−2 , ∼ tn−2
Sβ̂1 Sβ̂2
donde:
donde los errores estándar son:
X: variable explicativa s
Y : variable respuesta
q 1 X̄ 2
u: término de error aleatorio Sβ̂1 = Sβ̂2 = σ̂u2 + Pn
1 n i=1 i
x̃ 2
r
4.2 Supuestos del modelo
q 1
Sβ̂2 = Sβ̂2 = σ̂u2 Pn
2
i=1
x̃i2
E(u | X) = 0
Var(u | X) = σ 2 Criterio (bilateral):
u1 , . . . , un independientes
|Tj | > t1−α/2,n−2 ⇒ rechazar H0
u ∼ N (0, σ 2 ) (para inferencia)
4.3 Estimación por mínimos cuadrados ordinarios 4.7 Intervalos de confianza
(MCO) Intervalos de confianza al nivel 1 − α:
Estimadores:
β1 ∈ β̂1 − t1−α/2,n−2 Sβ̂1 , β̂1 + t1−α/2,n−2 Sβ̂1
x̃i = xi − X̄, ỹi = yi − Ȳ
Pn
x̃i ỹi β2 ∈ β̂2 − t1−α/2,n−2 Sβ̂2 , β̂2 + t1−α/2,n−2 Sβ̂2
β̂2 = Pi=1
n 2
i=1
x̃i
β̂1 = Ȳ − β̂2 X̄ 4.8 Bondad del ajuste
Descomposición de la variabilidad total:
n n n
4.4 Residuos y varianza del error X X X
(yi − Ȳ )2 = ûi2 + (ŷi − Ȳ )2
Residuos:
i=1 i=1 i=1
ûi = yi − ŷi
Estimador insesgado de σ 2 : Equivalente a:
V T = V NE + V E
n
1 X 2 Coeficiente de determinación:
σ̂u2 = ûi
n−2
i=1 VE
R2 =
Pn Pn VT
ỹi2 − β̂2 2
x̃i2
σ̂u2 = i=1 i=1
n−2 Forma equivalente (regresión lineal simple):
Pn
β̂22 x̃ 2
R2 = Pn i=1 2 i
4.5 Propiedades de los estimadores i=1
ỹi
E(β̂1 ) = β1 , E(β̂2 ) = β2
4.9 Predicción
Varianzas:
1 Predicción puntual:
Var(β̂2 ) = σu2 Pn
x̃ 2
i=1 i
ŷn+1 = β̂1 + β̂2 xn+1
1
β̂2 ∼ N β2 , σu2 Pn
x̃i2 Error estándar de la predicción media:
i=1
s
X̄ 2
1 1 (xn+1 − X̄)2
Var(β̂1 ) = σu2 + Pn Sŷn+1 = σ̂u2 + Pn
n i=1 i
x̃ 2 n x̃ 2
i=1 i
1 X̄ 2
β̂1 ∼ N β1 , σu2 + Pn Intervalo de confianza para la media (1 − α):
n i=1 i
x̃ 2
Yn+1 ∈ ŷn+1 − t1−α/2,n−2 Sŷn+1 , ŷn+1 + t1−α/2,n−2 Sŷn+1
4.6 Inferencia sobre los parámetros
Hipótesis:
H0 : βj = βj,0 , j = 1, 2